Giriş

Genç işsizlerin olmasında ya da artmasındaki sebepler:

1- Eğitim ve beceri uyuşmazlığı:Eğitim sisteminin işgücü piyasasının ihtiyaçlarına uygun olmaması, gençlerin gerekli becerilere sahip olmadan mezun olmalarına yol açar. Bu durum, işverenlerin talep ettiği niteliklere sahip olmayan gençlerin iş bulmasını zorlaştırır.

2- İş Tecrübesi Eksikliği: Gençler, işgücü piyasasına yeni girdikleri için genellikle iş tecrübesi eksikliği yaşarlar. İşverenler ise tecrübeli çalışanları tercih edebilir, bu da gençlerin iş bulmasını zorlaştırır.

3- Ekonomik Durum ve Dalgalanmalar:Ekonomik durgunluk dönemlerinde işsizlik oranları genel olarak artar ve bu durum gençleri daha fazla etkiler. Ekonomik belirsizlikler, işverenlerin yeni eleman alımını sınırlamasına neden olabilir.

4- Yapısal İşsizlik: Teknolojik değişimler ve küreselleşme, bazı sektörlerde işlerin kaybolmasına yol açabilir. Gençler, bu değişimlere uyum sağlamakta zorluk çekebilir ve yeni beceriler edinmeleri zaman alabilir.

5- İşgücü Piyasasına Geçiş Süreci:Eğitimden iş hayatına geçiş süreci genellikle zorludur ve bu süreçte gençlerin rehberliğe ihtiyacı olabilir. Bu süreçteki belirsizlikler ve bilgi eksiklikleri genç işsizliğini artırabilir.

Genç işsizlerin azalması için uygulanacak politikalar:

1- Eğitim sisteminin işgücü piyasasının ihtiyaçlarına uygun hale getirilmesi, gençlerin gerekli becerilerle donatılmasını sağlar.

2- Staj programları ve iş başında eğitim imkanları, gençlerin iş tecrübesi kazanmalarına yardımcı olabilir.

3- Ekonomik büyümeyi teşvik eden politikalar, işsizliği azaltabilirve gençlere daha fazla iş fırsatı sunabilir.

4- Gençlere kariyer planlaması ve iş arama süreçlerinde rehberlik sağlayacak hizmetlerin sunulması, geçiş sürecini kolaylaştırabilir.

5- Gençlerin kendi işlerini kurmalarını teşvik etmek için girişimcilik eğitimleri ve finansman desteği sağlanabilir.

Genç işsizlik oranlarındaki dalgalanmaların yetişkin işsizlik oranlarındaki dalgalanmalardan daha fazla olması üç nedene bağlanmaktadır; toplam talep, genç ücretleri, genç işgücünün büyüklüğü. Toplam talep, genç işsizlik oranlarını, yetişkin işsizlik oranlarını etkilediği gibi etkilemektedir. Ancak genç işsizliğinde dalgalanmanın daha fazla olmasının nedeni gençlerin ilk işlerini bırakma olasılıklarının yüksek olması nedeniyledir. Çünkü gençler ücreti düşük buldukları için, nitelikleri uymadığı için veya farklı nedenlerle işten çıkarılması yetişkinlere göre daha muhtemel bir gruptur. İşgücü piyasasındaki genç sayısı arttıkça bu gençler için hazır olabilecek iş imkanları da artmaktadır.

Literatür Çalışması

  • Genç işsizlik, ekonomik ve sosyal açıdan ciddi sonuçlara yol açabilir. Araştırmalar, genç işsizliğin bireysel düzeyde gelir kaybı, psikolojik stres ve sosyal dışlanma gibi olumsuz etkileri olduğunu göstermektedir (Bell ve Blanchflower, 2011). Makro düzeyde ise, genç işsizlik yüksek suç oranları, toplumsal huzursuzluk ve ekonomik büyümede yavaşlama gibi sorunlara yol açabilir (Oreopoulos, von Wachter ve Heisz, 2012).

  • Türkiye’de genç işsizlik oranları tarihsel olarak yüksek seyretmiştir. Özellikle 2008 küresel ekonomik krizinden sonra genç işsizlik oranlarında önemli artışlar gözlemlenmiştir (Dünya Bankası, 2016). TÜİK verilerine göre, genç işsizlik oranları 2020’li yıllarda da yüksek seviyelerde kalmaya devam etmektedir. Bu dönemde genç kadınlar arasındaki işsizlik oranlarının erkeklere kıyasla daha yüksek olduğu görülmüştür (TÜİK, 2024).

  • Eğitim sisteminin işgücü piyasasının ihtiyaçlarına uygun olmaması, genç işsizliğin temel nedenlerinden biridir. Birçok araştırma, Türkiye’de eğitim ve işgücü piyasası arasında ciddi bir uyuşmazlık olduğunu ortaya koymaktadır (Tansel ve Kan, 2016). Bu uyuşmazlık, gençlerin mezun olduktan sonra iş bulmalarını zorlaştırmaktadır. Ayrıca, teknik ve mesleki eğitimin yetersizliği de bu sorunu derinleştirmektedir.

  • Gençlerin işgücü piyasasına giriş sürecinde karşılaştıkları en büyük engellerden biri iş tecrübesi eksikliğidir. İşverenler genellikle deneyimli çalışanları tercih etmekte, bu da gençlerin iş bulma sürecini zorlaştırmaktadır (Kluve ve Schmidt, 2002). Türkiye’de gençlerin işgücü piyasasına daha kolay entegre olabilmesi için staj ve çıraklık programlarının yaygınlaştırılması önerilmektedir (Murat, 2020).

  • Genç işsizlik oranları, ekonomik durgunluk dönemlerinde genellikle daha fazla artış göstermektedir. Ekonomik dalgalanmalar, gençlerin iş bulma şansını azaltmakta ve işverenlerin yeni eleman alımını sınırlamaktadır (Verick, 2009). Türkiye’de de ekonomik belirsizlikler ve kriz dönemlerinde genç işsizlik oranlarının önemli ölçüde arttığı gözlemlenmiştir (Özcan ve Sayan, 2019).

Türkiye’de İstihdam Yapısı ve İşgücü Piyasası

  • Türkiye ile aynı kategorideki ülkelerle karşılaştırıldığında Türk iş gücü piyasasında emek talebindeki emek arzını karşılamakta yetersiz kaldığını görebilmekteyiz. İşgücünün önemli kısmının genç ve vasıfsız işsizlerden oluşu ve ücretlilerin toplam istihdam içindeki payının düşük oluşu da diğer bir olumsuzluk örneğidir.

  • Türkiye’deki toplam istihdamın en önemli kalemini tarım sektörün oluşturmaktadır. Bununla birlikte tarım sektörünün toplam istihdamdaki payı gün ve gün gerilemektedir. Emek sahiplerinin çoğu düşük gelir seviyelerinde çalışmakta olup kayıt dışı çalınanların oranı bir hayli yüksektir.

Türkiye’de iş gücü piyasasının özelliklerin:

1- Hızlı nüfus artışıyla paralel genç nüfus

2- Kadın işgücüne katılımın düşük olması nedeniyle genel işgücüne katılım oranlarının düşük seyretmesi,

3- Lise seviyesinden düşük eğitime sahip nüfusun toplam iş gücünün yarısından fazlasını meydana getirmesi (okuryazar olmayanlar ilave edilerek)

4- Yüksek kayıt dışılık ve tarımın sektörler içinde en yüksek paya sahip olması

5- İstihdam oranının %40’lar gibi düşük seviyelerde seyretmesidir.

Türkiye’de Genç İşsizlik ve Eğitim İlişkisi

  • Genç nüfus olarak kabul edilen 15-24 yaş grubu, Türkiye’deki işgücü piyasasındaki sorunlardan olumsuz anlamda etkilenen en öneli grubu oluşturmaktadır. Eğitim seviyesi yükseldikçe işsizlik oranının düşmesi gerekir. Eğitim seviyesinin artması, beşeri sermaye stoklarının da artmasına neden olacak ve eğitim seviyesi yüksek insanların iş bulması çok daha kolay olacaktır. Bu teorik beklenti neticesinde eğitim seviyesi yüksek bireylerde işsizlik riskinin düşük olması beklenmektedir.

  • Çalışkan’a ( 2007) göre eğitim seviyesi ile işsizlik arasındaki ters yönlü ilişkinin en önemli nedeni, yüksek eğitimli işçilerin mevzu bahis olduğu durumlarda firmaların işçi bulma uğraşları, hizmet içi eğitim süreci ve firmalar arası rekabet yöntemlerinde önemli davranışsal değişiklikler meydana gelmesidir. Genç işsizler niteliklerine uyan işlerin peşinden koşma durumunda kalmaktadır. Genç işsizliği ile eğitim arasındaki ilişkide nitelik uyuşmazlığının yanında diğer bir etmen ise ücret beklentileridir. Genç işsizlerde ücret memnuniyetsizliği ve işten kolayca ayrılma eğilimi göstermeleri Türkiye’de işgücü piyasasında karşılaşılan diğer bir faktör olarak karşımıza çıkmaktadır.

YILLARA GÖRE TÜRKİYE’DEKİ İŞSİZLİK ORANI

  • 2023 yılında Türkiye’deki genel işsizlik oranı %9,4 olarak kaydedilirken, 15-24 yaş grubundaki genç işsizlik oranı %17,4 olarak belirlenmiştir. Bu, genç işsizlerin genel işsizlik oranı içindeki payının oldukça yüksek olduğunu gösteriyor.

Araştırma Tasarımı

Genç işsizlik ile Regresyon Modeli Oluşturma

Genc_Isizlik = β0 + β1⋅Egitim_Seviyesi + β2⋅Ekonomik_Buyume + e

  • β0 : kesim noktası
  • β1 : Eğitim Seviyesi katsayısı
  • β2 : Ekonomik Büyüme katsayısı
  • e : Hata terimi

Modelin Denklemi

  • Dünya Bankasındandan verileri indirmek için “WDI” paketini yükledim.
library(WDI)
  • Dünya bankasından gerekli verileri yükledim.

SL.UEM.1524.ZS: 15-24 yaş arası toplam işgücünün yüzdesi olarak genç işsizlik oranı) göstergesini temsil eder. Bu, gençler arasında işsiz olanların oranını ifade eder.

NY.GDP.MKTP.KD.ZG:Bu gösterge, bir ülkenin yıllık gayri safi yurtiçi hasıla (GSYİH) büyüme oranını ifade eder.

SE.TER.ENRR: Bu gösterge, yükseköğretimdeki öğrencilerin sayısının, ilgili yaş grubundaki toplam nüfusa oranını ifade eder.

veri <- WDI(country = "TR", 
            indicator = c("SL.UEM.1524.ZS", "NY.GDP.MKTP.KD.ZG", "SE.TER.ENRR"),
            start = 2000, end = 2023)
  • Sütunlardaki isimleri daha iyi anlamak için değiştirdim.
colnames(veri) <- c("Country", "iso2c", "iso3c", "Year", "Genc_Isizlik", "Ekonomik_Buyume", "Egitim_Seviyesi")
  • Ve gereksiz olan sütunları sildim.
veri <- veri %>% select(-Country, -iso2c, -iso3c)
  • Veri setinin yapısını incelemek için;
str(veri)
## 'data.frame':    24 obs. of  4 variables:
##  $ Year           : int  2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 ...
##  $ Genc_Isizlik   : num  12.5 16 18.9 20.2 20.2 ...
##   ..- attr(*, "label")= chr "Unemployment, youth total (% of total labor force ages 15-24) (modeled ILO estimate)"
##  $ Ekonomik_Buyume: num  6.93 -5.75 6.45 5.76 9.8 ...
##   ..- attr(*, "label")= chr "GDP growth (annual %)"
##  $ Egitim_Seviyesi: num  NA 25 25.9 29.7 30.8 ...
##   ..- attr(*, "label")= chr "School enrollment, tertiary (% gross)"
  • NA değerlerini temizlemek için;
veri <- veri %>%
  mutate_if(is.numeric, ~ifelse(is.na(.), mean(., na.rm = TRUE), .))
  • Veri özetlemesi;
summary(veri)
##       Year       Genc_Isizlik   Ekonomik_Buyume  Egitim_Seviyesi 
##  Min.   :2000   Min.   :12.55   Min.   :-5.750   Min.   : 25.04  
##  1st Qu.:2006   1st Qu.:16.81   1st Qu.: 3.246   1st Qu.: 38.87  
##  Median :2012   Median :19.03   Median : 5.648   Median : 69.10  
##  Mean   :2012   Mean   :18.84   Mean   : 5.112   Mean   : 69.10  
##  3rd Qu.:2017   3rd Qu.:20.13   3rd Qu.: 7.733   3rd Qu.: 97.60  
##  Max.   :2023   Max.   :24.80   Max.   :11.439   Max.   :125.76
  • Seçtiğim konularla regresyon modeli oluşturdum.
model <- lm(Genc_Isizlik ~ Egitim_Seviyesi + Ekonomik_Buyume,  data = veri)
  • Modelin özeti
summary(model)
## 
## Call:
## lm(formula = Genc_Isizlik ~ Egitim_Seviyesi + Ekonomik_Buyume, 
##     data = veri)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -6.0446 -1.3869 -0.5993  2.3797  3.6140 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     17.01756    1.38806  12.260  4.9e-11 ***
## Egitim_Seviyesi  0.03663    0.01661   2.205   0.0388 *  
## Ekonomik_Buyume -0.13799    0.12929  -1.067   0.2980    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.654 on 21 degrees of freedom
## Multiple R-squared:  0.2123, Adjusted R-squared:  0.1373 
## F-statistic:  2.83 on 2 and 21 DF,  p-value: 0.08161
  • Eğitim seviyesi ve genç işsizlik arasındaki ilişkinin grafiği:
library(ggplot2)
ggplot(veri, aes(x = Egitim_Seviyesi, y = Genc_Isizlik)) +
  geom_point() +
  geom_smooth(method = "lm", col = "blue") +
  labs(title = "Eğitim Seviyesi ve Genç İşsizlik Oranı Arasındaki İlişki",
       x = "Eğitim Seviyesi (Yükseköğretimde Kayıt Oranı)",
       y = "Genç İşsizlik Oranı (%)")
## `geom_smooth()` using formula = 'y ~ x'

Sonuç

Türkiye’de en yüksek işsizlik oranları mesleki eğitim mezunları başta olmak üzere eğitimliler arasında görülmektedir. Bu durumun doğal sonucu olarak eğitim sistemimizdeki aksak yönlerin analiz edilip gerekli önlemler alınması olmazsa olmaz bir politika olarak düşünülmelidir. Her ile bir üniversite açıp vasıfsız iş gücü yetiştirmek yerine gelişmiş ülkelerin eğitim sistemleri analiz edilmeli ve eğitim sisteminin aksak yönleri revize edilmelidir. Üniversitelerin birbirleri le rekabet eder bir konuma getirilmesi sağlanmalıdır. Eğitim sisteminin temel hedefi geniş tabanlı ve sektörel olmalıdır. Bu eğitim sisteminin her bir sektörün çalışma yaşamına cevap vermesi sağlanmalıdır. Yaşam boyu eğitim ve meslek edindirme programlarının sayısı ve kalitesi arttırılmalıdır. Engelli ve özel eğitime ihtiyaç duyan kişilere yönelik eğitimlerin arttırılması ve ilgili kişilerin iş gücüne katılımı sağlanmalıdır. Söz konusu programları destekleyen işverenler için devlet tarafından vergi ve teşvik kolaylıkları sağlanmalıdır. Söz konusu çözüm önerilerinin gerçekleştirilmesi, ekonometrik modelde çıkan ilişkinin gücünü çok daha arttırabilecek ve genç eğitimlilerin istihdama katılım payı daha da artabilecektir.

Kaynaklar

ÖDEVLER

Zaman Serileri ve Quantmod Paketi

Zaman Serisi Tahmini nedir?

  • Zaman serisi tahmini, geçmiş verilere dayanarak gelecekteki değerleri tahmin etmek için istatistiksel yöntemlerin kullanıldığı bir analiz türüdür. Bu tahminler, belirli bir zaman aralığında gözlenen veri noktalarının bir model kullanılarak gelecekteki trendlerin veya desenlerin tahmin edilmesiyle elde edilir.

  • Örneğin, bir şirketin geçmiş satış verilerine dayanarak gelecek bir yıl içindeki satışlarını tahmin etmek için zaman serisi tahmini kullanılabilir. Bu durumda, geçmiş satış verileri analiz edilir, mevsimsellik, trendler ve belki de diğer faktörler göz önünde bulundurularak bir model oluşturulur. Sonrasında bu model kullanılarak gelecek dönemlerdeki satışlar tahmin edilir.

Zaman Serisi Bileşenleri:

  • Zaman serisi analizinde, genellikle dört temel bileşen belirlenir:

1-Trend (Eğilim): Trend, zaman serisinde uzun vadeli artış veya azalış eğilimini temsil eder. Trend, genellikle verinin genel büyüme veya azalma eğilimini gösterir ve mevsimsel dalgalanmaların ötesine geçer. Trend bileşeni, verinin düzgün bir şekilde artan veya azalan bir ortalama değerine sahip olduğunu ifade eder.

2-Mevsimsel (Seasonal): Mevsimsel bileşen, bir zaman serisinde belirli bir periyodik deseni temsil eder. Örneğin, mevsimsel bir zaman serisinde aylık satış verilerinde Noel dönemi gibi belirli aylarda artışlar veya yaz dönemindeki turistik bölgelerde artışlar gözlemlenebilir.

3-Seviye : Eğer zaman serisi düz bir çizgi olsaydı, seviyesinin ne olacağını gösterir.

4-Noise(Gürültü): Zaman serisinde oluşan rastgele dalgalanmaları anlatır. Bu dalgalanmalar rastgeledir ve zaman serisi verileriyle tahmin edilemez ve açıklanamaz.

Quantmod Paketi

  • quantmod(), R programlama dilinde finansal veri analizi ve zaman serisi modellemesi için kullanılan bir pakettir. Bu paket, finansal piyasa verilerini çekmek, işlemek, görselleştirmek ve modellemek için bir dizi fonksiyon sağlar.

quantmod() Paketi Özellikleri :

1-Finansal veri çekme: quantmod(), Yahoo Finance, Google Finance ve diğer finansal veri sağlayıcılarından hisse senedi fiyatları, endeksler, döviz kurları ve diğer finansal verileri çekmek için kullanılabilir.

2-Veri işleme ve dönüştürme: quantmod(), finansal verileri işlemek, dönüştürmek ve temizlemek için çeşitli fonksiyonlar sağlar. Bu fonksiyonlar, zaman serilerini uygun formata dönüştürmek, eksik verileri işlemek ve veriler arasında dönemsel dönüşümler yapmak için kullanılabilir.

3-Geriye dönük analiz: quantmod(), geçmiş verileri kullanarak geriye dönük analizler yapmak için fonksiyonlar sağlar. Bu, geçmiş performansı değerlendirmek, stratejilerin geriye dönük testlerini yapmak ve gelecekteki fiyat hareketlerini tahmin etmek için kullanılabilir.

  • Bu özellikler, quantmod() paketini finansal veri analizi ve modelleme için güçlü bir araç haline getirir.

  • İlk olarak quantmod paketini yükledim ve kullanmak için library() yapıp çalıştırdım.

library(quantmod)

Yahoo-finance’den 2 Hisse Senedi Örneği:

1-Apple Inc. (AAPL)

  • Yahoo-finance’den Apple hisse senedi fiyatlarını indirdim.
  • Bunu indirmek için “getSymbols()” paketini kullandım.
  • Aynı zamanda Apple kısaltmasını da siteden buldum. (AAPL)
getSymbols("AAPL")
## Warning: AAPL contains missing values. Some functions will not work if objects
## contain missing values in the middle of the series. Consider using na.omit(),
## na.approx(), na.fill(), etc to remove or replace them.
## [1] "AAPL"
  • Datanın boyutuna “dim()” paketiyle baktım.
dim(AAPL)
## [1] 4390    6
head(AAPL)
##            AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted
## 2007-01-03  3.081786  3.092143 2.925000   2.992857  1238319600      2.530319
## 2007-01-04  3.001786  3.069643 2.993571   3.059286   847260400      2.586481
## 2007-01-05  3.063214  3.078571 3.014286   3.037500   834741600      2.568062
## 2007-01-08  3.070000  3.090357 3.045714   3.052500   797106800      2.580745
## 2007-01-09  3.087500  3.320714 3.041071   3.306071  3349298400      2.795127
## 2007-01-10  3.383929  3.492857 3.337500   3.464286  2952880000      2.928890
  • AAPL.Open: Hisse senedinin o günkü açılış fiyatı
  • AAPL.High: Hisse senedinin en yüksek fiyatı
  • AAPL.Low: Hisse senedinin en düşük fiyatı
  • APPL.Close: Hisse senedinin kapanış fiyatı
  • APPL.Volume: Kaç kişinin işlem yaptığı
  • APPL.Adjusted: Ayarlanmış fiyatlar
tail(AAPL)
##            AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted
## 2024-06-04    194.64    195.32   193.03     194.35    47471400        194.35
## 2024-06-05    195.40    196.90   194.87     195.87    54156800        195.87
## 2024-06-06    195.69    196.50   194.17     194.48    41181800        194.48
## 2024-06-07    194.65    196.94   194.14     196.89    53103900        196.89
## 2024-06-10    196.90    197.30   192.15     193.12    97262100        193.12
## 2024-06-11        NA        NA       NA         NA          NA            NA
  • Bu zaman serisinin grafiğini göstermek için “chartSeries()” paketini kullanırız.Bu grafikte hem zaman serisi hem de işlem yapan kişi sayısı gösterilmektedir.
chartSeries(AAPL)

  • Eğer istersek bu grafiğin arka planını beyaz yapabiliriz.
chartSeries(AAPL, theme="white")

2-Volkswagen AG (VOW3.DE)

  • Yahoo-finance’den Volkswagen hisse senedi fiyatlarını indirdim.
  • Bunu indirmek için “getSymbols()” paketini kullandım.
  • Aynı zamanda Volkswagen kısaltmasını da siteden buldum. (VOW3.DE)
getSymbols("VOW3.DE")
## Warning: VOW3.DE contains missing values. Some functions will not work if
## objects contain missing values in the middle of the series. Consider using
## na.omit(), na.approx(), na.fill(), etc to remove or replace them.
## [1] "VOW3.DE"
  • Datanın boyutuna “dim()” paketiyle baktım.
dim(VOW3.DE)
## [1] 4430    6
head(VOW3.DE)
##            VOW3.DE.Open VOW3.DE.High VOW3.DE.Low VOW3.DE.Close VOW3.DE.Volume
## 2007-01-02     56.21188     56.46039    55.61547      55.61547        2317776
## 2007-01-03     55.78445     56.25164    55.43655      55.96338        3159012
## 2007-01-04     55.74469     55.74469    54.71091      54.71091        3578231
## 2007-01-05     54.82026     56.78842    53.83617      56.06278        3546457
## 2007-01-08     56.46039     56.89776    55.37691      55.65523        2910610
## 2007-01-09     55.96338     55.96338    54.72086      54.72086        2975147
##            VOW3.DE.Adjusted
## 2007-01-02         27.93838
## 2007-01-03         28.11314
## 2007-01-04         27.48397
## 2007-01-05         28.16308
## 2007-01-08         27.95834
## 2007-01-09         27.48896
  • VOW3.DE.Open: Hisse senedinin o günkü açılış fiyatı
  • VOW3.DE.High: Hisse senedinin en yüksek fiyatı
  • VOW3.DE.Low: Hisse senedinin en düşük fiyatı
  • VOW3.DE.Close: Hisse senedinin kapanış fiyatı
  • VOW3.DE.Volume: Kaç kişinin işlem yaptığı
  • VOW3.DE.Adjusted: Ayarlanmış fiyatlar
tail(VOW3.DE)
##            VOW3.DE.Open VOW3.DE.High VOW3.DE.Low VOW3.DE.Close VOW3.DE.Volume
## 2024-06-04       114.75       114.90      112.85        114.10        1217271
## 2024-06-05       114.60       115.20      113.70        114.10         643055
## 2024-06-06       114.10       114.60      113.10        113.45         630728
## 2024-06-07       113.15       113.40      111.65        112.60         700045
## 2024-06-10       112.05       112.35      110.55        112.35         712395
## 2024-06-11           NA           NA          NA            NA             NA
##            VOW3.DE.Adjusted
## 2024-06-04           114.10
## 2024-06-05           114.10
## 2024-06-06           113.45
## 2024-06-07           112.60
## 2024-06-10           112.35
## 2024-06-11               NA
  • Bu zaman serisinin grafiğini göstermek için “chartSeries()” paketini kullanırız.Bu grafikte hem zaman serisi hem de işlem yapan kişi sayısı gösterilmektedir.
chartSeries(VOW3.DE)

  • Yine önceki örnekte olduğu gibi eğer istersek bu grafiğin arka planını beyaz yapabiliriz.
chartSeries(VOW3.DE, theme="white")

FRED 2 Örnek:

1-Amerika Birleşik Devletleri için Genç İşsizlik Oranı (SLUEM1524ZSUSA)

  • Amerika Birleşik Devletleri için Genç İşsizlik Oranı verisini indirmek için FRED’ den sembolünü buldum.
  • Bu zaman serisi için sembol SLUEM1524ZSUSA’dır.
  • “src” kaynağı nerden aldığımızı belirtmemiz içindir.
getSymbols("SLUEM1524ZSUSA",src="FRED")
## [1] "SLUEM1524ZSUSA"
  • Grafikte göstermek için chartSeries() paketini kullanırız.
chartSeries(SLUEM1524ZSUSA,theme="white")

  • Son bir yıl için EUR USD değeri için ;
  • Her döviz kuru için getFX() kullanılabilir.
getFX("USD/EUR",from="2020-06-01")
## [1] "USD/EUR"
  • Bunu grafikte göstermek için yine chartSeries() paketini kullanırız.
chartSeries(USDEUR,theme="white")

2-Enflasyon, Çin için Tüketici Fiyatları (FPCPITOTLZGCHN)

  • Enflasyon, Çin için Tüketici Fiyatları verisini indirmek için FRED’ den sembolünü buldum.
  • Bu zaman serisinin sembolü FPCPITOTLZGCHN’dir.
  • Bir önceki örnektede olduğu gibi - “src” kaynağı nerden aldığımızı belirtmemiz içindir.
getSymbols("FPCPITOTLZGCHN",src="FRED")
## [1] "FPCPITOTLZGCHN"
  • Yine bunu grafikte göstermek için chartSeries() paketini kullanırız.
chartSeries(FPCPITOTLZGCHN,theme="white")

  • Son bir yıl için TL USD değeri için ;
  • Her döviz kuru için getFX() kullanılabilir.
getFX("USD/TRY",from="2018-06-01")
## [1] "USD/TRY"
chartSeries(USDTRY,theme="white")

Durağan Zaman Serileri

  • Durağan zaman serisi ile ilgili bir örnek çözmek gerekirse öncelikle WDI paketini yükleyip library koduyla çalıştırmamız gerekir.
library(WDI)

  • Daha sonra “https://data.worldbank.org/indicator” sitesinden Türkiye(TR) için GSYH(NY.GDP.MKTP.CD) ve işsizlik(SL.UEM.TOTL.ZS) 1991-2020 yılları arasındaki verileri indirdik.

  • NY.GDP.MKTP.CD : Bir ülkenin belirli bir yıldaki GSYİH’sını cari piyasa fiyatlarıyla ve cari dolar cinsinden ölçer.

  • SL.UEM.TOTL.ZS : Bu gösterge, bir ülkedeki toplam işgücünün yüzde kaçının işsiz olduğunu gösterir.

  • GSYH ile işsizlik oranı arasındaki ilişkiyi incelemek için Okun Yasası gibi ekonometrik modeller kullanılabilir. Okun Yasası, işsizlik oranı ile ekonomik büyüme arasındaki ters yönlü ilişkiyi gösteren ampirik bir kuraldır. Bu yasa, işsizlik oranındaki bir değişimin GSYH üzerinde nasıl bir etki yapacağını tahmin etmeye yardımcı olur.

df = WDI(indicator=c(gsf='NY.GDP.MKTP.CD', un='SL.UEM.TOTL.ZS' ), country=c('TR'),  start=1991, end=2020)
  • Veri setini zaman serisi olarak kaydetmemiz gerekir.Time series yani ts() koduyla;
library(dynlm)
## Warning: package 'dynlm' was built under R version 4.3.3
df.ts <- ts(df, start=c(1991), end=c(2020),frequency=1)
  • Veri setinin içinde kullanmayacağımız değişkenler var. Kareli parantez veri setinin içindeki satırları ve sütunları seçmemize yarar. Virgülden önce hangi satırları istediğimizi, virgülden sonra hangi sütunları istediğimizi yazabiliriz. Bütün satırları istiyoruz ve sadece un ve gsf değişkenlerine ihtiyacımız var. Bu yüzden df.ts veri setimizi sadece bu iki değişkenden oluşturduk.
df.ts<-df.ts[,c("un","gsf")]
  • Grafiği için ;
plot(df.ts[,"gsf"], ylab="GSYH")

plot(df.ts[,"un"], ylab="işsizlik")

  • Her bir zaman serisi değişkeninin kendisinin bir zaman öncesiyle koralasyonunun olup olmadığını incelememiz gerek.
  • Bu koralasyona otokorelasyon denilir. Oto kendi kendiyle korelasyonu anlamına gelir. Her bir seri için bir gecikmeli zaman serisi yaratıp otokoralasyonlarına bakalım.

Durağan Olmayan Zaman Serileri

  • Durağan olmayan zaman serisi, istatistiksel özellikleri (örneğin, ortalama, varyans ve otokorelasyon yapısı) zaman içinde değişen bir zaman serisidir.

  • Öncelikle WDI paketini daha önceden yüklediim için sadece library() koduyla çalıştımam yeterli olacaktır. Daha sonra da WDI veri setinden Almanya ve Hindistan için kişi başı GSYH verilerini indirelim.